TriangleNet：通过跨任务一致性实现边缘先验增强的语义分割网络
计算机视觉与模式识别
2023-09-19 v5
摘要
本文探讨计算机视觉中的语义分割任务，旨在实现精确的逐像素分类。我们研究了语义边缘检测和语义分割模型的联合训练，该方法已展现出前景。然而，多任务网络中的隐式跨任务一致性学习是有限的。为了解决这个问题，我们提出了一种新颖的“解耦跨任务一致性损失”，以显式增强跨任务一致性。我们的语义分割网络 TriangleNet 在 Cityscapes 测试集上的平均交并比比基线提高了 2.88%。值得注意的是，TriangleNet 在 Cityscapes 上以 77.4% mIoU/46.2 FPS 运行，展示了全分辨率下的实时推理能力。通过多尺度推理，性能进一步提升至 77.8%。此外，TriangleNet 在 FloodNet 数据集上始终优于基线，证明了其鲁棒的泛化能力。所提出的方法强调了多任务学习和显式跨任务一致性增强对推进语义分割的重要性，并突出了多任务在实时语义分割中的潜力。
引用
@article{arxiv.2210.05152,
title = {TriangleNet: Edge Prior Augmented Network for Semantic Segmentation through Cross-Task Consistency},
author = {Dan Zhang and Rui Zheng and Luosang Gadeng and Pei Yang},
journal= {arXiv preprint arXiv:2210.05152},
year = {2023}
}
备注
Accepted for publication in the journal "International Journal of Intelligent Systems"